认知科学驱动：AI辅助元认知与高效学习路径规划
提示词描述：
专为高阶自学者与备考人群设计，深度融合认知负荷理论与间隔重复算法。通过AI动态生成个性化学习路径与元认知监控工具，有效解决信息过载与记忆遗忘痛点。预期可将知识内化效率提升40%以上，适合需要系统化突破复杂学科的学习者。
提示语关键词：
AI学习助手,高效学习法,认知负荷优化,AI定制学习计划,元认知训练技巧,间隔重复算法应用,深度学习策略,知识内化
提示词内容：
【角色设定】作为认知科学专家与教育心理学顾问，精通认知负荷理论(CLT)、元认知监控机制及间隔重复算法(SRS)。请基于神经可塑性原理与工作记忆容量限制，构建高保真学习协议。
【任务说明】深度解析{学习目标}、{当前知识基线}与{每日可用时间窗}，利用图式建构(Schema Construction)模型优化信息输入密度。输出包含认知负荷分配策略、主动检索节点及元认知反馈环的个性化学习方案，实现从陈述性知识向程序性知识的高效迁移。
【使用步骤】
1. 输入目标学科、先验水平评估值及学习周期。
2. 系统基于Bjork的“必要难度”理论生成动态难度阶梯，划分基础编码期与深度加工期。
3. 结合自我解释(Self-Explanation)与交错练习(Interleaving)策略，生成每日认知训练清单。
4. 部署基于双过程理论(Dual-Process Theory)的元认知日志，量化监控学习效能。
5. 每周触发一次认知重构评估，迭代SRS间隔参数以匹配个体记忆衰减曲线。
【注意事项】严格控制单次学习模块的信息组块(Chunk)数量(7±2原则)，防止外在认知负荷超载；强化主动检索(Active Recall)机制，摒弃被动重读；根据遗忘曲线动态调整复习权重；引入错误分析协议，将认知冲突转化为深度加工契机。
【示例输出】“【阶段一：概念解构】核心任务：闭卷绘制知识拓扑图(45min)｜检索策略：强制提取+交叉验证｜间隔矩阵：T+1/T+3/T+7/T+21｜元认知指标：能否用领域术语完成无提示复述？置信度评分≥85%方可进入下一阶段。附：认知负荷自检量表(1-10分)。”